مطالعه مقایسه ای عملکرد روش های یادگیری ماشین در پیش بینی الگوهای جریان دوفازی آدیاباتیک در مجاری با قطر کوچک

پیش بینی الگوهای جریان دوفازی در سیستم های مهندسی سیالات به دلیل پیچیدگی های فیزیکی و وابستگی به شرایط عملیاتی، همواره چالش برانگیز بوده است. یادگیری ماشین به عنوان ابزاری قدرتمند، امکان تحلیل داده های تجربی و پیش بینی دقیق این الگوها را فراهم کرده و نیاز به روش های سنتی و نقشه های تجربی متعدد را کاهش می دهد. در این پژوهش، عملکرد چهار مدل یادگیری ماشین شامل HGB، KNN، SVC و LR در پیش بینی الگوهای جریان دوفازی آدیاباتیک بررسی شده است. این مدل ها بر روی پایگاه داده ای گسترده شامل ۳۹۲۸ نمونه در قطرهای کمتر از ۶ میلی متر ارزیابی شده اند. نتایج نشان می دهد که مدل HGB با دقت ۹۳.۳٪ در داده های تست، بالاترین عملکرد را داشته و در عین حال، زمان اجرای آن ۲.۶۴ ثانیه بوده است. در مقابل، مدل LR با دقت کمتر از ۷۰٪ و زمان اجرای ۴.۶ ثانیه ضعیف ترین عملکرد را نشان داده است. مدل KNN نیز با زمان اجرای ۰.۰۳۶ ثانیه سریع ترین عملکرد را بین این مدل ها از خود نشان داده است اما با دقت ۸۶.۳% عملکرد ضعیف تری نسبت به مدل HGB و حتی SVC داشت. تحلیل ماتریس های سردرگمی نشان می دهد که الگوی موجی با دقت بالا در تمام مدل ها پیش بینی شده و الگوی چرن در دو مدل KNN و SVC به طور صد در صدی شناسایی شده است. این مطالعه تایید می کند که استفاده از روش های یادگیری ماشین می تواند به بهبود سرعت پیش بینی و بی نیازی از مراجعه به نقشه های الگوی جریان متعدد در تعیین الگوهای جریان دوفازی کمک کند.

کلیدواژه ها:

جریان آدیاباتیک ، مجاری قطر کوچک ، نقشه الگوی جریان دوفازی ، یادگیری ماشین ، پیش بینی الگوی جریان